개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 장우영
- 발행연도
- 2018
- 저작권
- 단국대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
딥 러닝은 고성능 컴퓨팅 시스템과 대용량 메모리를 통해 정확도를 향상시키고 있다. 하지만, 모바일 시스템은 제한된 자원을 내재하고 있어서, 학습과 추론을 데이터 센터에 의지한다. 현재 기술의 발전으로 스마트 폰 (Smart Phone)과 사물인터넷 (Internet of Things), 스마트 홈 (Smart Home)에 사용되는 프로세서의 컴퓨팅 능력이 향상되고 있어 많은 애플리케이션을 이용되고 있다.
하지만 부족한 저장용량으로 인해 딥 뉴럴 네트워크를 적용하기에는 어려움이 있다. 이러한 문제를 해결하기 위해 뉴럴 네트워크 압축 기술이 발전하고 있으며 대표적인 기술로는 가중치 (Weight) 나 뉴럴 네트워크의 연결 수를 줄이는 Pruning기법과 가중치 행렬의 크기를 줄이는 낮은 차수 근사 (Low-rank Approximation)이 대두 되고 있다.
본 논문에서는 모바일 환경에서 동작 가능한 CNN (Convolution Neural Network)를 제공하기 위한 가속화 알고리즘을 제한한다. 낮은 차수 근사와 가중치 Pruning기법을 적용하여 뉴럴 네트워크의 크기, 추론 (Inference)속도 그리고 재학습 (Fine-Tune)횟수를 줄인다. 실험결과는 기존의 Pruning 논문에 비해 크기는 약 1.992배, 추론속도는 약 1.65배 줄어든다. 그리고 재학습 횟수는 약 1.5배 감소한다.
하지만 부족한 저장용량으로 인해 딥 뉴럴 네트워크를 적용하기에는 어려움이 있다. 이러한 문제를 해결하기 위해 뉴럴 네트워크 압축 기술이 발전하고 있으며 대표적인 기술로는 가중치 (Weight) 나 뉴럴 네트워크의 연결 수를 줄이는 Pruning기법과 가중치 행렬의 크기를 줄이는 낮은 차수 근사 (Low-rank Approximation)이 대두 되고 있다.
본 논문에서는 모바일 환경에서 동작 가능한 CNN (Convolution Neural Network)를 제공하기 위한 가속화 알고리즘을 제한한다. 낮은 차수 근사와 가중치 Pruning기법을 적용하여 뉴럴 네트워크의 크기, 추론 (Inference)속도 그리고 재학습 (Fine-Tune)횟수를 줄인다. 실험결과는 기존의 Pruning 논문에 비해 크기는 약 1.992배, 추론속도는 약 1.65배 줄어든다. 그리고 재학습 횟수는 약 1.5배 감소한다.
목차
목 차국문초록 ……………………………………………………………………………ⅰ표 목 차 ……………………………………………………………………………ⅳ그림목차 ……………………………………………………………………………ⅴⅠ. 서론 ……………………………………………………………………… 1Ⅱ. 이론적 배경 ……………………………………………………………… 42.1 CNN의 기본 구조와 동작 …………………………………………… 42.2 관련연구 ……………………………………………………………… 11Ⅲ. 모바일 환경을 위한 CNN 가속화 알고리즘 ……………………… 143.1 가속화 알고리즘 ……………………………………………………… 143.2 낮은 차수 근사 ……………………………………………………… 163.3 가중치 Pruning ……………………………………………………… 193.4 Pruning 레이어 선택 ………………………………………………… 203.5 재학습 과정 ‥………………………………………………………… 21Ⅳ. 실험결과 ………………………………………………………………… 234.1 실험환경 ……………………………………………………………… 234.2 비교군 설명 …………………………………………………………… 254.3 재학습 이전 정확도 ………………………………………………… 254.4 뉴럴 네트워크 재학습 횟수 비교 ………………………………… 264.5 뉴럴 네트워크 크기 비교 …………………………………………… 274.6 뉴럴 네트워크 속도 비교 ………………………………………… 28Ⅴ. 결론 ……………………………………………………………………… 30참고문헌 ……………………………………………………………………… 31영문요약 ……………………………………………………………………… 35
최근 본 자료
댓글(0)
0